开场0:00
大家好 ， 欢迎收听本期 《 晚点聊 》。 这期的主播是关注具身智能的雨桐 。 今天我们非常荣幸地邀请到了高阳老师 ，他是清华大学交叉信息研究院的助理教授 ， 同时也是具身智能公司千寻的联合创始人和首席科学家 。
高阳老师在具身智能领域深耕多年， 他是清华计算机系的本科和 UC Berkeley 的博士 。 那 UC Berkeley 现在已经成为近期具身智能热潮的重要发源地 ， 这得益于 Trevor、Peter、Sergey 这几位教授在机器人学习领域的卓越成就 。
那高阳老师在博士和博士后期间 ，是从国际计算机视觉大师 Trevor 和 Peter、Sergey 也有深入的合作 。2020 年从伯克利回国后， 高阳加入清华大学 ，并在 2024 年和韩峰涛共同创立了千寻智能 ， 致力于推动具身智能的 " 技术摸高 "。
成立至今 ， 千寻已经获得了来自阿美风险投资旗下 Persperity Seven Ventures、 博瑞资本和宏晖基金等机构的三轮融资 ，也发布了自研的 VLA Spirit v1 抢先版 ， 让机器人可以实现叠衣服全流程的顺畅操作 。
我们认为具身智能是个非共识行业 ，但在高阳看来 ， 这已经是 " 坍缩 、 收敛后的结果 "。在今天的对话中， 高阳将与我们分享他对具身智能的认知 ， 比如为什么大家都在做 " 人形 "， 为什么端到端的 VLA 是具身智能共识 ， 为什么叠衣服这样的操作会成为具身智能领域的 " 智商测试 "， 具身智能的 Scaling Law 从何而来等技术议题 。
高老师先自我介绍一下， 跟我们的听众朋友打个招呼 。
好 ， 大家好 ， 我是高阳 。 我现在是清华大学交叉信息研究院的助理教授 ， 然后也是千寻智能具身机器人公司的联合创始人。
对 ， 你是什么时候从伯克利回国 ， 然后到清华任职的 ？
我是 2020 年 8 月份从伯克利回中国 ， 然后就直接入职清华 ， 然后交叉信息学院当助理教授 。
然后是在 2024 年开始和韩老师一起创业做千寻智能 。 你当时就是决定创业的时刻是什么时候 ？ 我觉得应该是有一个 moment， 你就是突然意识到 ， 就是说我现在就是要做这件事情 。
因为我之前一直在做教授 ， 所以我大多数时间我都在想说 ， 研究里面我下一个研究课题怎么去选 。 这是我在科研里面大多数时候想的这个问题 。
创业起点2:14
然后在某一些瞬间我会觉得 ， 这个研究好像没有那么多可做了 ，因为你能看到这个范式的变化 ， 然后这个范式可能就是会终结掉这个研究的领域 。
这怎么理解 ？
就比如说有很多很多科研领域 ， 大家经常会说 ， 这个论文出来之后， 这个领域就不用继续做了 ，因为基本的问题都已经解决完了 ， 就没有什么问题需要去解决了 。
然后剩下的问题只是说 ， 把这些解决的做法在工程上去做得更好 。 就像现在大模型一样 ，其实大家在学校做自然语言处理的老师 ， 可能除了 AI safety 还有比较多的问题可以做 。
其他的这个角度 ， 尤其是就是可能解我们日常这些任务的角度 ， 你已经很难有什么东西可以去做 ，因为 GPT-4 已经把这个东西做得非常非常好了 。
所以 somehow 就是大语言模型 ， 它已经进入到这样一个阶段 ， 这个阶段是说 ， 做科研的人他仍然有东西做 ，但没有那么多更加需要去探索的方向去做了 。
然后我大概在 2023 年有一些瞬间开始感觉到这样 。 对 ， 然后我就觉得其实就是机器人呢 ，在科学的这个角度发展 ，也会逐渐地去往大语言模型这个成熟的阶段上去走 。
那么其实对于科学家来讲 ， 你会有越来越少的事情要去做 ，因为这个东西越来越成熟了 。 但是从工程和社会的角度来讲 ， 是一个很好的一个事情 ，因为我们真的去可以开始享受到这个技术所带来给我们的一些福利 。
对 ， 所以从那个时刻是看到是我下决心的一个时间点 。 所以从那个时间点我就想去做一个创业公司 。
然后当时知乎上有一篇文章 ， 就是去讲具身智能是什么 ， 然后为什么这个东西很重要 。 那个东西并不是我写的 ，也并不是任何科学家写的 ，而是韩峰涛写的 。
那篇我也看过 。 我之前其实也是听说过洛师 ，但是我没有听说过韩老师 。 我也是当时看了那篇文章 。
然后我就觉得 ， 虽然那篇文章在我看来肯定写得水平也就那样吧 ，但是怎么说呢 ， 就是大思路是对的 ， 就大思路是非常非常正确的 。
他当时讲的大思路是 ？
大思路就是说 ， 原来的机器人的这个应用的方式是一个人给他手写程序 ， 我们通过手写程序来把这个东西让他能在现实中做一些事情 ，但是它局限性很大 ，因为很多东西你没有办法手写一个程序让他去做 。
所以我们需要 ， 我们需要人工智能让机器人能做更多的事情 ，并且这一波大模型的这个变化的过程之中， 赋予了机器人能够做同样事情的技术基础 。
这篇文章主要讲的是这个观点 。
所以在当时是有给大家科普的这样的一个性质在 ， 对吧 ？
对 ，但它其实比我总结的更加细致一些 。 然后我自己因为我做这行业很多年， 所以我认为对于我来讲是非常 take for granted 这样的一个事情 。
但我觉得有一个人 ，他原来是一个比较传统的这种产业方的人， 然后这么 open-minded，并且这么愿意相信这些事情 ， 我觉得是非常非常难得的一个东西 。
对 。
你当时还有见其他的一些产业方的人吗 ？ 因为我理解其实像科学家确实会 ， 我觉得对产业对商业的理解会少一些 。
我觉得确实是一个产业老炮 ， 然后加上一个年轻科学家 ， 我觉得这个配置确实还蛮好的 。 我相信也是很多投资人愿意相信你们的同样的原因 。
其实市面上这些就是已经有的这些公司 ， 我基本上都聊过一遍了 。 另一个也是因为他有过创业的这个经历 ，并且洛师是一个做得还蛮不错的一个公司 。
对 ，并且我们在做的其实本质上是一个机器人的一个生意 ， 就是它虽然和传统的机器人的这个逻辑很不一样 ，因为传统机器人逻辑它 ， 尤其中国的这些机器人公司的逻辑是一个国产平替 ， 所以它是有一点打价格战那种 。
但我们现在做的是一个更加像可能 OpenAI 在做的一个东西 。 但无论如何 ， 这个东西它还是一个机器人一个行业的这样的一个生意 。
我去问了你们投资人， 当时他跟我的说法是说 ，他当时聊的市面上所有的具身智能公司 ，他选了一家均分最高的 ， 就是你们 。他对你们两个的评价都是觉得你们两个非常的务实 ， 然后觉得首先你们俩的配置就是顶配 ，并且两个人都很务实 。
然后说在问到一些你们的问题的时候 ， 场景啊 、 商业的事情 ， 说你们虽然没有给出非常具体的一些答案 ，但是你们把你们自己的推导过程告诉他了 ，他觉得这个还是非常非常重要的 。
这是很多投资人对你们的共同评价吗 ？
对 ， 我觉得基本上大家都是这么评价的 。 但 somehow 我觉得就是融资这件事情可能也不能太朴实 ， 可能还是得说一些比较宏大一些理想 ， 可能才会做得比较好 。
然后这个是就是我和韩总在改进的一些方面 。
就是你现在应该还跟你的导师什么的 ，以及你还在美国同学应该交流也比较多吧 ？
美国视角7:18
对 。
你觉得现在是做具身智能这个角度 ， 美国最近有什么就是最新的一些观点或者趋势 ， 或者是一些路径吗 ？
你可以跟我们分享一下吗 ？
我觉得可能其实我不知道公众有没有知道 ，但是比如说包括 Figure，他们 release 了他们的 Figure 02， 我觉得是一个看起来很炫酷的一个机器人 ，以及它做了一些很炫酷的一些事情 。
你可以跟我们的听众先简单科普一下 Figure 02 它大概做了一些什么 ？
对 ，Figure 02 是有两个全人形的机器人， 然后站在类似厨房的一个场景里面 ， 然后人类给它一袋从商店买回来的购物的一个袋 ， 然后倒在了桌面上， 然后跟这两个机器人说 ， 你们帮我把这个东西收一下 。
然后这两个机器人就看到这些东西说 ， 这个是一个牛奶 ， 所以我应该放冰箱 。 所以这个机器人就会自己把门拉开 ， 然后把牛奶放到冰箱里 。
然后那个东西是一个水果 ， 它会把这个水果放到水果篮里面 。 然后并且这两个机器人就它们俩之间会说话 ， 会合作 ，并且它们自己会有很多常识 ， 知道把每个东西该放到哪 。
然后这是就最近的一个 ， 就我觉得做得看起来非常炫酷的一个 case。 我觉得这个是相当于展现了可能美国现在具身智能里面做得比较好的这个实例吧 。
你觉得就是比如说有哪些具体的方式方法是有可能是我们可以借鉴的吗 ？
其实 Figure 他们是比较显示讲了他们用了快慢系统 ， 包括他们的机器人的工业设计也做得很好看 ， 然后包括机器人的柔顺度也做得很好看 。
我觉得这些都是我们可以去学习的 。 对 。
快慢思考 ， 我们国内其实大部分公司也都在做这件事情 。 你觉得他们更优秀的地方在什么地方 ？ 然后这是哪些细节去导致的吗 ？
就是从细节上你可以看到他们动作很丝滑 。 国内我还没有听说哪一家就是把快慢系统真的去做出来 ，并且用到他们的 VLA 里面 。
快慢系统这件事情做起来真正的难的地方在于什么 ？
我觉得还是工程上吧 。 工程上把它做得比较好 ， 然后优化得你的动作比较丝滑 ， 响应得比较快 。
这点就是是有很多工程上的一些活要做 。
就是工程上的活就是得不断地试 ，不断地试 ，是这个意思是吧 ？
对 。
明白 。 然后你觉得中国有哪些现在的一些发展是在你的观察里可能会比美国做得更领先一些的 ？
我觉得就是中国 ， 我感觉在基础的硬件的 manufacture， 就是基础硬件这个制造的方面上， 还是比美国要领先很多的 。
就是因为对本体的本身 ，因为我有些美国的朋友他们说 ，他们在公司里 ， 我说你们买什么机器人啊 ？
他说他们买了一些中国的机器人。 然后我说你们不担心坏吗 ？ 坏了怎么修啊 ？ 他说好像很难修 ， 修不了 。
然后 。
买了宇树吗 ？
对 ，他们也买了宇树 ， 然后也买了就很多其他公司的机器人。 然后我说我也觉得很难修 ，因为我在清华也买了宇树 ， 然后因为我们做实验做得比较狠嘛 ， 所以这个机器人每一周换一次 。
我每一周把机器人又回杭州一次 ， 然后宇树就可能修个一周半又给我们又回来了 。 对 ，但在美国你完全没有办法这样 。
那他们坏了怎么解决 ？ 自己修 ？
对 ， 所以我问你们坏了怎么办 ？ 他说这个 。
对 ， 我觉得你这个问题问得特别好 。 这是一个因为我问不出来的问题 ， 你必须得是真的在这个行业里面的人才能问到的一个很实际的问题 。
对 ， 然后他们说就让这些比如说宇树给他们寄一些备件 ， 然后他们自己去修 。 对 ，但这个东西就对于他们的人力还是消耗蛮大的 ， 然后可能你也要备很多备件 。
对 ， 还是挺麻烦的 。
所以宇树会专门有一个部门专门来修用回来的机器吗 ？
应该是吧 。 对 。
一般都会出现什么问题 ？
因为我们做实验就是有很多动作会做得很快 ， 所以比如说他的手突然甩出去了 ， 然后撞到了 。 对 ， 就是他的手腕就不好使了 。
或者他我们在做一些高动态的一些东西的时候 ，他的脚踝可能会裂 。 然后对 。
那这对你们自己做本体会有什么启发吗 ？
其实我们公司也自己做本体 ，也会遇到很多很多硬件的问题 。 然后因为我们自己有很多就是 in-house 的工程师嘛 ， 所以他们基本上可能一两天就能把大多数问题都解决掉 。
对 ， 所以我觉得这点还是中国相对于美国有很大的优势的一点 。 对 。
就是修机器快嘛 。
对 ， 真的是这点 。 因为像 Physical Intelligence 他们买了 100 套机器人 ，但是按照这个机器人坏的速度可能就是你修的速度很难能赶得上 。
对 ， 很难能赶得上你做实验的速度 。
那你觉得你会怎么给具身智能的行业发展阶段去划分阶段 ？ 就是有的人， 比如说像我们采访一些智驾的人 ，他们会用 L 来划分 。
阶段划分12:13
就是说什么像什么机器人具身的这个通用是什么 L3 级别 ， 现在我们处在什么 L0 级别 。 大模型的人就会喜欢用什么 GPT-3 时刻 、GPT-3.5 时刻这样来定义 。
你会怎么来定义它 ？
就是其实这个问题我跟韩总这周一还在讨论 ，但是是我们自己的定义 。 就是我们认为首先 L0 就是工业机器人， 就是它没有什么智能 。
那么 L1 呢 ，是你可以在一个单一的任务上有一个智能 ， 比如说这个任务是我就在工厂的一个位置打螺丝 ， 如果机器人有这个能力 ， 我们就叫它是有 L1 的一个智能 。
那么 L2 的智能我们定义为它可以在比如说办公室里面完成少数几件事情 ， 比如说它可以在办公室里面给我打一杯咖啡 ， 给我把桌子给收拾了等等等等 ， 就是可能有那么五六七八件事 ， 就我们把这个东西叫 L2。
那么 L2 呢 ， 相当于它就是可以移动起来了 ， 然后可以有一些多任务的这些能力 。 然后 L3 是什么 ？L3 我们认为是在一个屋里的场景里面 ， 比如说一个办公室的场景里面 ， 你能够达到 70% 到 80% 人类能做的事情 。
那么其实 L3 是一个我觉得相对来讲是这里面一个比较大的一个跨越 ，因为 L2 是少数几件事情 ，L3 呢 ， 它是七八十的事情 。
对 ， 那么它的这个能力范围扩大很多 。 然后 L4 呢 ， 就是比如说就是在单一场景之内可以做到所有的人类能做到的所有的事情 。
这个东西就比较像 Waymo 说 ， 我在三番我就可以开车了 ， 你在三番你想去任何地方都可以去 。 这个就我们定义为 L4。
那么 L5 呢 ， 就是说你不局限于单一场景 ， 你可以在任意场景 ，不仅是我的写字楼 ， 我可以在我的家里面 ， 我可以在便利店 ， 我可以在工厂里面 ， 都可以做到任何的事情 。
对 ， 所以这是就是像我们拍脑袋自己去定义的一个 level。
那你觉得现在在什么阶段 ？
我们现在其实已经过了 L1 的阶段 ，但是我们在 approach L2 这个阶段 。
你是指的是千寻还是说整个行业 ？
整个行业的最好的水平也是这样 。 对 ， 我们也是这样 。
明白 。
对 。
在接近 L2 的过程当中 。
人形之辩14:41
对 ， 对 。
明白 。 问一个大家都会比较关心的问题 ， 就是具身智能一定是等于人形机器人吗 ？ 为什么现在大部分做具身智能的公司都还是在做人形这个品类 ， 就一定是要人形吗 ？
不一定要人形 ，其实它完全不一定要人形 。 比如说其实 L1 这个事情你完全可以是一个工业的单个的一个 GDP 就可以去做 。
但是就比如说如果你要去做 L2 的话 ， 可能大部分时间你需要一个双臂 ，因为很多时候你需要两个手一起配合去完成一件事情 ，并且你需要移动的一个装置 ，因为你需要到各种地方 。
那最简单的方式就是一个移动的一个底盘 。 所以就是你为了完成 L2 的任务 ， 你最少需要两个手和一个底盘 。
那这也是就我们的这个物理的形态 。 但我觉得脚就双足它是一个没有那么刚需 ，但是你可以去更多地形的这样的一个形态 。
但是我觉得它尤其是双足 ， 短期之内是一个非必须的一个东西 。
双足可能会在 L 级里面成为一个必须的东西 。
如果仅仅是在办公室场景的话 ， 可能到 L4 和 L4 之前都不是必须的 。 对 ，但是如果你选这个场景是一个比如说操场上， 那可能你 L2 就要做这个事情 。
明白 。 所以还是要看选择切入的首先突破的这个方向是什么 。 刚才你也提到的就是说可能在到 L4， 比如说室内场景 ，在 L4 之前可能都不需要做双足的这个能力 ， 这个运动的能力 。
但是就是确实行业里面也有一些可能更擅长做双足 、 做运控的这样的人， 认为说你先做上半身 ， 就是等于当时先试了一先做增程车嘛 ， 那你最后还是要补上你的该需要的这个能力 。
你是怎么看这件事 ？
我同意 。 对 。
你觉得这个是之后补就可以了 ？ 你觉得这个是简单吗 ？
我逻辑是这样 。 我逻辑是说现在底盘这个东西已经非常成熟了 ，但是我们其实见到的这种基于底盘的机器人。
你说轮式底盘 。
对 ， 轮式底盘 。 但我现在见到的基于轮式底盘的机器人其实非常少 ， 比如说可能只有酒店送物机器人。
对吧 ？ 它是一个基于地盘的 ，在线中被大部分部署的一个机器人。 但其他的比如说办公室场景里面并没有这样的东西 。
那为什么呢 ？ 其实主要并不是说底盘它不够好 ，而是说我光有一个底盘我没有手 ， 就我没有用 。 我只能是在一个地方我需要人去给我装东西 ， 另一个地方再用一个人去给我卸东西 。
那么这里面的核心就是说如果你没有操作能力 ， 你只有移动能力 ， 它的价值是非常小的 。 因为我们现在已经有很好的一些移动能力的一个硬件 ，但是我们在日常生活里面并没有见到它具备使用 。
所以我们解决一个问题肯定要就是挑它的主要矛盾去解决 。 所以我认为现在的主要矛盾是你的手上的操作能力 ，而非你的底盘能力 ， 或者你的 locomotion， 就是双足的这个能力 。
然后我同样也认可未来我们需要补足双足这个能力 ，但是现实的情况是可能我们在相当长的一段时间之内 ， 我们的这个或者出货量最大的机器人的形态都是轮式底盘加双臂 。
因为这已经可以去解决那些 80% 的场景 ， 能被机器人解决的场景 。 那么在未来 ， 当然你为了解决剩下 20% 的场景 ， 你需要双足 ， 比如你要上下楼梯 ， 对吧 ？
这个机器人这个轮式底盘不能上下楼梯 ， 或者你要去操场上， 你要去什么野外， 那你肯定需要双足的这个能力 。
但是它是剩下 20% 的场景 ，因为大家一定会倾向于用更简单的解决方案先解决那些能解决的场景 。
对 ， 所以我觉得这个东西是我们未来需要去做的 。
你是从场景的角度上出发 ， 觉得是说现在去做双足不是一个性价比很高的事情 。
对 ， 对 。
明白 。 那你觉得双足的难度是怎么样的 ？ 因为其实之前我也听其他的一些做具身智能的人提过 ，有人的想法是双足是好补的 。
因为像您刚才的逻辑 ， 可以等到其他做双足的人把科研给突破之后， 我们去补齐其实是好补的 。 那同样也有人跟我提过 ，其实双足是比操作更难做的 ，因为双足涉及到很多稳定性的事情 。
比如说我们小孩在很小的时候 ，他的手就会去操作很多东西 ，但是他要学会走 ， 学会跑 ， 要到很大的年纪 。
对这个技术上你是怎么判断的 ？
我个人倾向于双足的技术还是比较简单的 。 对 ，因为首先我在清华的实验室也做双足和四足 。
对 ， 然后我们最近刚好做了一个项目 ， 就是关于平衡性的 。 当然我们做平衡性之前也做了双足的行走 。
对 ， 然后实际上它没有那么难 。 就是以现在的科研的这个领域的水平来讲 ， 就是把一个双足的一个策略 ，但不是说它走得非常好啊 ， 去那能让它在物理世界里走 ， 没有那么困难 。
这个东西就是我们实验室能做 ， 我相信可能很多其他实验室也能做 。 当然可能你为了把它做到工业级的这个稳定 ， 你还有一些功夫要做 ，但是这里面没有本质的卡点 。
对 ， 甚至在我们实验室我们也在做一些高度平衡性的东西 ， 比如说有一个我们做的叫厌食平衡 ， 就一个腿站着 ， 然后你的双手冲前 ， 然后另一条腿冲后， 然后这个动作我们都能做出来 。
是瑜伽那种 。
对 ， 对 ， 对 。 然后还有一些像什么李小龙那种什么一条腿站着 ， 另一条腿踢起来 。 对 ， 就类似这种 。
所以我觉得这个东西从技术难度上它其实没有那么难 。 对 。
一定要双腿吗 ？ 有没有可能是我又开始对四条腿 ， 然后上面两只手像那个人形马那种 。
半人马是吧 ？
对啊 。 腾讯他们之前就做了类似的形态的一个东西 。
我觉得是可以的 。
四足的稳定性会比双足更好 ， 对吧 ？
对 ， 好非常多 。 对 ， 就是 again 可能它的应用场景会有一些局限性 ，因为相当于你四足要占领更多的空间嘛 。
它可能用的场合会稍微有一些局限性 ，但是我觉得可能未来会有一个极限品类是这样的 。
卖点是站得更稳 。
对 ， 卖点是我站得更稳 。
不可能也是有可能的 。
对 。
明白 。 那比如说像你刚才提到的就是说双臂啊 ， 移动能力 ， 说双臂这样的形态 ， 它一定是需要一个人的上半身的 。
对 ，因为大家都会在说其实好像只要操作能力强就可以 ，但是还是会忍不住做一个上半身 ， 就是有一个躯干 ， 然后加上一个脑袋 。
对 ， 那一定是要这样的形态吗 ？
哦 ， 我明白你的问题 。 你问题是说能不能我脑袋长在下面 ， 对不对 ？
或者说它一定要脑袋吗 ？ 就是能不能就是只是两个机械臂 ， 如果真的就是比如说双手的这个操作是最重要的话 。
是这样 ，因为你需要就是有一相机去观察这种场景 ， 所以非常自然的你需要一个相机装在比较高的一个位置上 。
它可以不是一个脑袋 ，但它需要在上面有一个东西能去俯视这个全图 。
那这个高度也一定是要像特斯拉的 Optimus 是一米七三 。
不一定 。 就是你可以稍微高一些 ， 可以稍远一些 ，但是现实的情况是说我们的物理世界是为人设计的 。
就是室内场景是为人设计的 。
对 ， 尤其是室内场景是为人设计的 。 所以就你可以设计一些奇怪的一些机器人的一些构型 ，但是你会发现如果你仿照人去做 ， 它物理上一定是可行的 ，因为所有的场景都是为人设计的 。
如果这个东西人的物理是不可行的 ， 那么这个场景也不会存在 。 所以比如说这个桌子基本上都是 75 厘米高 ， 如果你做了一个机器人， 它只有一米二 ， 它可能这个桌子里面的东西就够不太着 。
那如果它的手有两米长呢 ？ 它可以五折叠 ， 它可以不用时收起来 ， 它用的时候它折叠出两米 ， 它也可以勾到这个桌子 。
我觉得是可行的 。 就如果你有一个胳膊像登山杖一样 ， 它是可以一直长长长长 。
九节鞭 。
然后去抓一些 ， 然后再收回来 。 我觉得应该也是可以的 。 对 ， 只是说大多数场景你不太需要那么长的胳膊 。
背后的一个问题是说大家现在都在扎堆做这样人的形态 ， 那到底是从一个需求的角度出发 ， 还是说从技术眼镜来说 ， 这个人的形态可能是比如说最省力的 ， 就是从科研成本的角度出发 ， 还是说是一个从众的心理出发 ， 就是所有人都在这么做 。
我觉得是需求出发 。
还是需求出发 。
对 ， 就是本质原因是因为世界是为人设计的 ， 所以人形从物理形态上你可以确保它可以解基本上所有的问题 。
明白 。 所以说如果等到真的就是机器人统治世界那一天 ， 然后他们可以设计出符合自己产品的自己形态的那些东西之后， 它们也不一定是人形的形态 。
对 。
就是从亨利 · 福特时代的流水线开始 ， 工业生产逻辑就是分工细化 。 为什么现在我们却希望用一个机器人来解决大量通用的问题 ？
因为我们现在有很多很多问题 ， 就是如果你为每一个问题去专门设计一套解决方案 ， 它需要付出一定的固定成本 。
但是如果你有一个通用的机器人的话 ， 像你复用了这个机器人的硬件设计 、 人工智能系统 ， 然后你只需要赋予这个机器人做不同任务的这个 AI 的能力 ， 你就可以去做到各种各样不同的事情 。
所以它并不违反就是工业革命或者工业生产降低成本这个事情 。
那为什么以前是追求精细化的本质也是为了追求更低的成本 ， 所以更通用也是为了追求更低的成本 。
更低的成本 。 对 ， 就它们俩是不矛盾的 。 因为即使我们有了比如说通用人形机器人， 我们也不会用它来比如生产塑料杯 ，因为塑料杯就是用模具去生产的最快的 。
所以未来有可能会存在通用的机器人和精细的这种比如说机械臂就是一起用 ， 一起的场景 。
对 ，是的 。
这样并不冲突 。
对 。
那它们会比如说在工业场景里面解决哪些问题呢 ？
对 ，其实我们现在就在做一些工业场景 ， 然后这些场景里面是很难被这些专用的机器人就做解决好的 。
所以这些问题就是仍然是需要 。
比如说哪些 ？ 肯定不是检电池吧 。
不是检电池 ， 就是比如说汽车厂里面这个装配的总装线 ， 它上面比如说安一个大灯啊 ， 安一个座椅啊 ， 这些仍然是要人手工去做的 。
所以比如说这些活儿 ， 它是没有办法被传统的机械臂所解决的 。 它仍然是需要通用形态的机器人去解决 。
有人会认为现在就是做这件事情的人的成本会比机器人的成本更低 ， 从成本的角度上来说真的会更划算 。
对 ， 现在的确是这样的 。 所以但我只是举几个例子 ， 就是说为什么工厂里仍然有人 ，因为现在还解决不了这些事情 。
当然就是有一些人会比较便宜 ，有一些人会比较贵 ，有一些人的量会比较大 。 那么在工业里面就肯定会优先去做那些量比较大的一些事情 ， 就是这个前期才能算得过来账 。
到后期是不是说比如说一个人形机器人如果能用很久 ， 它是足够 cover 比如说某一个人几年的成本的话 ， 那这个账也是能算得过来的 。
对的 ， 对的 。
明白 。 然后下面可能还是会讨论一些就是共识和非共识的这样一些情况 ，因为我觉得具身智能发展到现在 ， 确实会有一些我觉得大家都在各说各话的感觉 。
然后我觉得谁也证明不了别人是错的 ， 然后自己证明自己是对的倒是也比较有一套逻辑 。 然后我觉得您是中国既有产业背景 ， 然后又有海外留学经历 ， 然后其实是对这个技术最 ，并且您在伯克利的时候其实是在两个实验室 ， 就是视觉和强化学习 ，其实都待过 。
我觉得您应该对这件事情有更全面的思考 。 所以我接下来可能会抛给您一些这个行业里面大家都在讨论的一些非共识的一些情况 。
端到端27:00
首先一个就是关于现在就比如说走向具身智能是端到端的这个路线会更容易走向具身智能 ， 还是说现在当然有一些人在做分层 ， 您是怎么看的 ？
我觉得这个肯定是端到端 。 这个基本上我觉得行业内可能只有少数人不这么认同 ，但大多数人都会认同一定是端到端的 。其实这个背后逻辑已经在自动驾驶经过自动驾驶这么十多年的发展 ， 已经基本上所有的自动驾驶的人都在开始去做端到端 。
因为大家发现手动去做分层这个事情不靠谱 。
对 ， 这里我跟读者们介绍一下端到端 。 端到端其实就是相当于我们收集到的信息 ， 然后我们直接可以给出动作 ，而不是说就是中间要比如说我们要先接受信息 ， 然后给它转换成什么什么什么 ， 然后再转换成我们的这个具体操作 。
分层是这样的 ， 对吧 ？
对 。
那还想问一下您 ， 就是端到端等于 VLA 吗 ？ 现在大家都在提 VLA 这个概念 。
等于 。
等于 。
对 。
端到端等于 VLA。
对 ，因为你的输入输出就是视觉加语言 ， 你输出动作嘛 。 所以就是 VLA 就是等价于端到端 。
VLA 就是 Vision-Language-Action。
对 。
明白 。VLA 不能解决什么问题 ？
我觉得只要是操作类的应该都可以解决 。 从理论上来讲 ， 对操作类应该都可以解决 。
那实际上呢 ？ 我们可能会遇到 。
实际上可能我们会遇到传感器可能没有那么好使 ， 所以我们需要更好使的传感器 。 等等等等这些 。
我说一下就是现在还是有人选择分层的这个原因是因为分层在现阶段还是一个可能怎么说更容易实现的这样的一个路径 ， 对吧 ？
对 ， 工程要更容易实现 。
对 ，但是可能就是在您看来未来一定大家都会走向端到端 ， 分层只是现阶段的一个选择 。 对 ， 然后聊到操作这个地方 ，其实我觉得是千寻更擅长的这个地方 。
然后这个地方要不您先简单的讲一下我们现在的一个思路 ， 然后我们现在能大概做到一个什么程度 ？
操作加大脑 。
对 ，其实我们操作这个角度 ，其实我刚才简单讲就是端到端的 VLA 这样的一个模型 。 因为这个模型就是你跟它说任何一句话 ， 比如说给我倒杯水 ， 或者给我做杯咖啡 ， 它就会通过它这个 VLA 的理解 ， 把视觉的这个场景理解和动作去结合起来 ， 去生成一串动作来完成这个任务 。
然后我们在做的技术方案其实是把海量的这种互联网级的数据 ， 包括互联网级的图文的数据和互联网级的人类的这种操作的视频结合遥操作这种精细的微调 ， 再加上最后的强化学习微调 ， 这一套这个链路综合的去把所有我们能用上的数据都用起来 ， 这样的一个策略 。
然后我们现在能做到的东西 ，其实我们前一段时间也 release 了一个 demo 的一个 video， 就是我们连续去叠很多件衣服这样的一个能力 。其实对于普通人来讲 ， 大家会觉得这是一个很稀疏平常的事情 ，但其实对于机器人来讲 ， 叠衣服这件事情是一个尤其难的一个问题 。
因为我们日常在操作很多东西的时候 ， 比如说杯子啊什么的 ， 它都是一个刚体 ， 那么你就很容易去理解这个物体的状态 ， 比方我这个杯子放在哪就是哪 ， 然后我倒水它就是比方就是固定的一个行为 。
但是叠衣服它不一样 ， 叠衣服这个衣服我从这个洗衣楼里面拿出来 ， 它可能就是折得乱七八糟的 。
所以你很难把它归属于某一个状态 ， 你需要去理解这个衣服的褶皱是什么样的 ， 你才能理解我到底应该以一个什么样的策略把这个衣服给叠好 。
所以其实叠衣服对于人类的小孩也是很困难的一个事情 。
是吗 ？
对 ，有一天我跟我一个朋友讲说 ， 哎 ， 我们机器人能叠衣服了 。 说哇 ， 真的吗 ？ 因为它的好像两岁还是三岁的小孩叠不明白衣服 。
为什么呀 ？
就是因为它的脑子还没有发达 。 所以其实这个事难在就是你得明白这个衣服这么乱了 ， 你要怎么去撑它 。
所以它是不能理解乱 。
对 ， 它是不能理解它是怎么乱的 ， 然后对于这个乱的你要怎么去处理它 。
所以并不是跟它柔软的材质有关系 。 我以为是比如说它的力度怎么来的 。
不是 ，不是 ，不是力度 ， 只是说它这个状态 。
要理解它的状态 ， 然后把它还原到一个设定的状态 。 因为它有可能出现各种各样不在思考计算范围内的这个状态 。
对 ，其实对我们成年人而言 ， 就是我们不会觉得叠衣服是一个比倒杯水或者扔个垃圾更难的事情 。
但实际上对于小孩而言 ， 对于机器人而言 。
难点同样都是就无法识别状态 。
对 。
OK。
对 ， 我觉得这个就相当于一个具身智能的智商测试 ， 可能已经是 4 岁或者 5 岁小孩的一个智商了 。
明白 。 就是为什么是比如说我理解其实在操作这个过程当中 ，以及大脑识别的这个过程中还有一些别的难事 ， 这些难点就应该它是有一个顺序 ， 比如说什么更难 ， 什么更简单 ， 更靠后， 还有什么可以大家一起去探讨去解决的下一步难题呢 ？
我觉得我们现在在解的问题是说 ， 我们怎么让这个模型能够同时拥有很多很多能力 ， 包括比如说我告诉它叠衣服 ， 我说 ， 哎 ， 这个衣服我不想这么叠 ， 我想那么叠 ， 或者我叠着衣服叠一半的时候我说 ， 哎 ， 你给我这衣服里面比如包一个线 ， 我想把这个线藏在这个衣服里 ， 等等等等。
就是相当于我们现在解的问题是说 ，其实就是朝着 L2 去走 。L2 就是说多任务 ， 我们到底怎么能把多任务做得很好 。
我们做的多任务的这些 ，其实对于单个任务而言 ， 叠衣服已经是一个相对来讲非常非常难的一个事情了 。
单个任务还有比叠衣服更难的吗 ？
还有一些是比较偏精细操作类的 ，但这些是就如果你有相应的传感器 ， 还是比较容易去做的 。
明白 。 那些就是跟大脑无关了 ， 对吧 ？
对 ， 可能跟大脑就关系比较弱 。 就比如说可能我想把一个针插到这个缝里面 ， 那它就主要是关乎于你的触觉传感器有多精确 。
但跟大脑相关的 ， 基本上叠衣服就是最难的事情了 。
叠衣服这件事情竟然这么难 。
对 。
因为我今天在来的路上， 我还在跟我一个朋友讨论 ， 就说为什么大家最近都放了一些跟叠衣服相关的 demo。Hugging Face 在去年也开源了叠衣服的项目 ， 美国的 Physical Intention 的 Pi0 也能完成叠衣服的操作 。
那李飞飞的研究团队的论文也已经公开代码了 ， 开源 ，也是能让机器人学会刀叉 、 叠衣服等操作 。
因为它是单任务里面最难的一个东西 。
明白 ，并不是从场景出发 。
并不是 ，并不是 。
而是一个技术追求更高 、 更快 、 更强的过程当中必须要做的一件事情 。
是的 。
明白 。 下一步就是你们要多线程操作是吗 ？
对 ， 对 ， 对 。
比如说是什么 ？ 叠衣服的同时我要去 。
比如说就是相当于你在叠衣服的时候 ， 我要你做一些稀奇古怪的一些事情 ， 然后你能不能也一起完成掉 。
所以这个其实还是得靠它的这个大脑的思考能力 。 这个是跟什么快系统 、 慢系统有关吗 ？ 还是它是由什么决定的 ？
这个难题主要还是慢系统来解的 。 快系统其实是比较底层的 ， 比如说我抓一个东西 ， 我有没有抓稳 ， 抓不稳再重新抓一下， 等等等等这些 。
这些主要还是在它的慢系统这个方面 。
就怎么实现呢 ？
就是机器人的这个操作模型 ， 它是分为快系统和慢系统 。 你可以理解为快系统 ， 它是一个反馈很高频 ， 大概是 50 赫兹到 100 赫兹这样的一个频率 ， 很快速的一个反应 。
那这个反应里面主要是对于触觉和一些很底层的视觉的一些反馈 ， 比如说抓一个东西有没有抓到 ， 没抓到我 ， 哎 ， 我就快速调整一下， 我就能抓到了 。
这是快系统 。 那慢系统是指就是说 ， 比如说我叠一个衣服 ， 你突然说要把信封放在左袖子下面 ， 可能我的慢系统要想 ， 哎 ， 这个信封在哪呢 ？
我先得看一看 ， 对吧 ？ 然后我拿到信封之后， 我又得去看哪边是左 ， 哪边是右 ， 然后我把它放到左边下面 。
然后这个就是相当于通过慢系统 。 那这里面主要是视觉的理解 、 语言的理解 ， 然后通过视觉和语言的理解去产生你的意图 。
泛化这件事情 ， 它的难度大概是在一个什么阶段 ？
其实我刚才讲的就是 L2 的 、L3 的提升 ，其实就是一个主要的挑战 ， 就是一个泛化性的一个挑战 。 因为你很难能把所有的任务都踩一遍 ， 所以你需要泛化性来支撑你能够举一反三 。
比如说我学会抓 ABCD 四个物体 ，但我也能一下子抓另外一个你随便给我一个新版的一个东西 。 那这就是体现这个泛化性 。
我觉得当前对机器人的主要挑战其实就是泛化性 ， 就是我见了一个新的物体 ， 我能不能知道该如何去处理它 。
这是其实当前的主要挑战 。
是在叠衣服之后的 ？
叠衣服本身它也有泛化性的挑战 ， 比如说不同颜色的衣服 ， 不同的类型的衣服 ， 它可能有细微的叠的策略的一些区别 。
所以叠衣服本身既是一个操作本身又很难 ， 同时又具备一定泛化性的这样的一个难题 。
数据与规模36:28
对 。
好的 。 你们的数据是怎么调的 ？ 从哪里来的 ？ 然后再怎么调整 ？
对 ， 我们数据主要是分为三个来源 ， 一个是互联网级的文本加图像数据和互联网级的视频数据 。
那么这些数据就是量非常非常大 ， 它可以让我们模型学会很多常识 ，但是这些数据它可能没有那么精确 。
所以我们后面会用真机的遥操数据对这个模型进行微调 ，也就是说所谓的 SFT 微调 。 然后在 SFT 微调之后呢 ， 我们会继续用强化学习对这个模型进行进一步的微调 。
那么强化学习的作用就是让这个模型的成功率变得更高 。
明白 。 就是互联网的视频数据 ， 它们的质量大概是怎么样的呀 ？ 然后你们有哪些筛选的标准吗 ？
对 ， 它们的质量其实是比较参差不齐的 。
以及来源 。
就我们基本上就是从一些视频的网站上去爬一些素材 ， 比如说 YouTube 这些 。 它们的就是说实话 ， 它们能用的数据量的比例也就大概 1% 左右 ，因为大部分的视频是和人类的这个操作没有什么关系的 。
所以能用的比例很少 。 所以我们其实基本上会筛出来这些跟人类操作强相关的这些视频 ，其他就完全不去处理了 。
对 ， 然后跟人类操作强相关的是比如说就是第一人称视角这样的一些操作的这样一些视频 。
对 ， 第一人称视角最好 。
这个就是我之前的理解是互联网视频给机器人训练的主要意图是在于比如说帮助它去识别这个是什么 ， 这个是什么 ，是这样吗 ？
还是说也会让它去学习怎么去操作 ？
对 ，也是会学习怎么去操作 。 就一方面它会学习什么东西是什么 ，但另一方面它也会学习怎么去操作 。
对 ，因为学习什么是什么这个东西在其实视觉语言模型里面其实已经基本学到了 。 然后我们更多在做的就是说让它从视频里面去学每个物品到底该怎么去操作 。
这个怎么学 ？
这个就相当于用到我之前的一些学术上的一些论文 ， 比如说我们去预测这个视频里面每一个物体未来的这个轨迹 ， 预测人的手的未来的轨迹 ， 通过这样的方法让它去学到人是怎么去操作这些物品的 。
对 。
我问一个很小白的问题啊 ，因为我前段时间其实也看到致远他们也说了类似的 ， 当然我知道这个你们提的是比他们要早很多的啊 ，他们也在说 ， 当时他们公布说他们也在从互联网视频数据当中就是去学习训练的时候 ， 我一个自然而然的疑问就是 ， 从作为我们人来说 ， 比如说我们看了很多操作的视频 ， 可能看了很多很多遍 ， 然后我们也
还是不会操作 。
嗯 ， 我机器人看了它也不会操作 ， 它只是大概明白这个操作大概是怎么做的 ，但它仍然是要去 。
所以一样也是一个对和不对的这样的一个认知是吗 ？ 就是也是认识什么是什么 ， 只不过它的这个什么是动作 。
对 ，是的 ，是的 。 就是它大概知道这么做是对的 ，但它可能做得不够精确 ， 所以它也不能说只看互联网视频它就能够直接去做事 。
明白 。 所以它还是需要您刚才说到的其他的 ， 比如说什么 SFT 微调 ， 然后加上强化学习 。
对 ， 对 ， 对 。
OK， 那您可以再讲一下后面的这半截的旅程 ， 它们具体是比如说是怎么去调整的 ， 然后分别会发挥什么样的作用啊 ？
就是模仿学习 ， 它就相当于让这个动作变得更精准 ， 就像你看视频 ， 你看完之后你也不知道具体这个零件怎么装 ， 你得自己装下去你才知道 。
所以模仿学习微调就相当于做这个事 。 那么强化学习的这个微调呢 ，其实和大语言模型是一样的 ， 就是因为如果你一直是握着机器人的手去做这件事 ，不让机器人自己去利用它自己的想法去做 ， 那么它总会有那么 5% 到 10% 的情况它会失败 。
好哲学 ， 怎么理解 ？
我想一下怎么理解 。
握着它的手做它就会 。
对 ， 对 ， 对 。 就是我举个例子怎么理解一下 。
哲学 。
就相当于比如说让你看你的妈妈做菜 ，但是不允许你上手 。 你看了她做了 10 年， 然后突然有一天你自己要在你的家里面做 ， 然后你就不知道这个盐我要放多少 ， 对吧 ？
这个菜炒到什么火候我要出锅 ，因为你从来没有自己去做过这事 。 所以强化学习的哲学就是说 ， 你为了把这个事做好 ， 你必须得自己去 。
但同学 ， 那所有的运动都一样 ， 就是有点像 ，但人类我理解是有一些肌肉机在去做这件事情 。
对 ， 机器人也是有的 。
也有肌肉 ，他们的 。
他们的 。
钢筋机 ， 它的电机是什么 ？ 这个词叫什么呀 ？ 就人的肌肉记忆 ，他们叫什么 ？
你好像发明了一个新的词 ， 就是这个我们没有这个专门的术语 ，但是的确是类似的机制 。
就是你看得越多 ， 它确实是会给你的大脑一些刺激 ， 让你不自觉地去模仿 ，但这个最后还是要靠你自己不断地 practice， 然后去形成肌肉记忆 。
对 ， 就是这样 。
所以它机器人和人是一样的 。
微机生物 ， 微机生物 。
我本质上 。
本质是一样的 。
只不过它们是另外一种 ， 就这个记忆是存在于它们的大脑当中吗 ？
对 。
那和人还是不太一样 ？
我也不知道人是 ， 可能人有脊髓可能会存一些东西 ， 这我也不知道 ， 我瞎说的 。
对 ， 我其实最近在想 ， 就是这还蛮哲学的 ， 就是肌肉记忆到底是什么 。 确实 ，因为我觉得就我之前滑雪的时候不会换刃 ， 就一直很久很久就是突破不了自己 。
我突然有一次换好了之后， 我每次都可以换刃 。
你可以把你肌肉想象成你的脑子的一部分 。
就是你那个模型一瞬间那个神经元搭上， 然后就灰了 。 那就是到机器人这里 ， 它怎么去实现呢 ？
其实机器人也是 ， 只是说人类的这个控制系统 ， 它可能是分布式的一个控制系统 ， 就是你的脑子是一部分 ，但可能你的每个肌肉也有一些记忆 ， 所以它是一个分布式的 。
只不过机器人的这个 。
是中心制的 。
对 ， 它现在是中心化的 ，但不排除未来它也会变成 。
OK， 人是 Web3。 我觉得这个点还蛮好的 ， 这还很给我启发呀 。
其实机器人也是一样 ， 就是机器人在做强化的时候 ， 它也是很长时间它都不会 ， 然后突然某一次它会了 ， 然后它未来就一直会 。
比如说那在你们实验的过程当中， 有遇到过什么类似的情况吗 ？
非常非常多 。
比如说叠衣服也是之前一直怎么都学不会 ， 突然会了就 。
就在一些特别难的情况 ， 比如说你去插拔 USB 的一个接口 。
那确实非常精细了 。
对 ， 然后这种时候你可能就是插了半天你都插不进去 ，但是突然有一下你插进去了 ， 然后之后你每次插你都会越来越容易的 ，并且这个学习的曲线是刚开始很难很难 ， 然后突然某一下你会了 ， 然后你未来就非常容易地能去复现这个成功 。
那比如说像插 USB 接口这件事情 ， 你这一次成功了 ，也会提高它去做类似的 ， 比如说插入的这种事情的成功率 ？
我们管它叫跨任务泛化 。 对 ， 就是相当于一般的泛化是 ， 对吧 ？ 我倒这个水 、 那个水 ， 就我都是不同的瓶子 、 不同的杯子 ， 那我都在做同样的事 。
但跨任务泛化就是 ， 现在我一会儿倒水 ， 另一会儿浇花 ， 我的这个动作都是比较接近的 ，但是又有一些不同 ，但是它们又有一些相似性 。
或者说 ， 对吧 ？ 我今天拧这个螺丝 ， 明天我转门把手 ， 然后后天我又拧个灯泡 ， 然后它们之间都是 。
动作是一致的 ， 只不过是不同的任务 。
对 ， 对 ， 它们动作也不是完全一致 ，但是有很大相似性 。
那这个你们的训练 ， 比如说会有什么规律可言吗 ？ 还是说会很玄学 ， 就是你们也不知道它哪一次会成功 ， 还是说会有一个 ， 比如说会有什么阶段 ， 比如说它在 100 或到 150 次 ， 我瞎说的啊 ， 就是可能在这个阶段的时候会更容易做成这件事情 ？
强化学习的话 ， 它比较取决于任务的难度 。 就如果任务就是它不见得是非得 100 到 150， 它就是取决于它什么时候能试出来一个东西 ， 它就会一下子 。
那怎么 ， 什么东西决定它是 ？
就是这个东西取决于我们之前的机模的训练和这个 SFT 的做得多好 。 如果这两个都做得比较好的话 ， 它强化学习就会比较快地能好使 。
这个数据这一块 ， 我还想问一下， 就是说其实我觉得现在对于数据的采集和训练方式 ，其实大家也都还有不同意见的吧 ？
你们现在其实是属于各种你们都会用 ， 然后并且用在不同的阶段 。
对 。
然后有的人可能会更偏向于相信某一个方式会带来更大的价值 ， 然后其他的作为辅助 。 比如说有的人会觉得就是仿真的这个环境 ， 仿真的数据可能会更好 。
然后像特斯拉 ，他们其实做遥操做得非常非常多 。 你是怎么看待就是整个行业就选择不同的这样的方式的这件事情 ？
对 ， 我觉得本质其实是大家认知的不同吧 。
以及擅长的东西 。
对 ，以及擅长的东西的不同 。其实大家比如说做仿真器的这个公司 ，他们就有比较多的这种仿真器的一些积累 ， 所以这是他们所擅长的 ， 然后也是他们所相信的 ， 所以他们会这么去做 。
但看样子是这个是大家没有能达成共识的一个点了 ， 所以大家现在的这个做法也是非常非常不一样的 。
对 。
那你们最主要的是视频学习吗 ？
我们最主要的其实是 ， 就是我们最大的数据量肯定是互联网上的图文加上视频 ，因为这个东西在大语言模型里面已经被证明过无数次 。
如果你的机模是足够好的 ， 那么你就可以让你的模型变得非常非常强 。 所有的大模型 ， 它们最重要的一步就是预训练 。
那么预训练你就是要爬非常非常多的数据 ， 然后把你的机模做得非常非常好 。
之前我看你的资料里面提到说你带领团队发现了 Data Scaling Law， 就是具身智能的这个数据 Growth Scaling Law， 怎么翻译成中文好像没有人翻译 。
对 ， 这个确实是在具身智能领域也有 Scaling Law 的存在吗 ？
对 ，是这样的 。 就我们发现具身智能里面的这个 Scaling 的性质就和大模型是一模一样的 。 对 。
数据越大 。
相当于数据和你的性能的 ， 我们叫 Optimality Gap， 就是和最优的差距 ，是 Log Linear 的一个关系 。 就是你的数据取 Log 之后和你的性能的这个 ， 就和你的 Optimality Gap 是一个线性的一个关系 。
换句话说 ， 我多采 10 倍的数据 ， 我的性能就会多一个 9， 就是 99.9 到 99.99 这样的一个东西 。 就粗糙来讲是这个意思 。
这个你觉得是一个多大范围的公式 ？ 就是具身智能也有 Scaling Law 这件事情 。
在论文里验证的是规模没有那么大 ，因为我们没有采那么多数据 ， 大概是一个 10 到几十万这样的一个量级的一个区间 。
对 ， 这个规律都是成立的 。
你觉得像要做出具身智能的 GPT-3， 大概数据量会要在什么程度 ？
我们其实预估过做到 3.5 的话 ， 按照我们的技术路线啊 ， 按照大概是需要 100 亿条互联网的视频 ，1 亿条 。
这 100 亿条是有效的还是 ？
有效的 ，有效的 。
那就是你说的质量是 1%， 那就是我们至少要去学习 100 亿的 100 倍的数据 。
就是我们从 100 亿的 100 倍的数据里面筛到 100 亿 ， 然后加上 1 亿条的这个遥操作的数据 ， 再加上大概小几千万的强化学习的数据 。
对 。
那这个现在我们互联网已有的这些数据 ， 你测算大概是在一个什么样的范围内 ？
现在其实我们测算下来互联网上已有的视频 ， 就是能够用的视频大概也就 100 亿条 。
所以就是要学完所有的 。
对 。
那这个事情会是一个时间很久的事情 。
我们预计可能大概需要我们 4 到 5 年 。
4 到 5 年 。
对 。
明白 。 就是你说的这个是在视频数据的角度成立 ，但如果是比如说我这家公司 ， 当然我觉得遥操可能是不太可能实现去搞到 100 亿的数据 ， 这太累人了 。
比如说它仿真 ， 它有可能仿到 100 亿 ， 那这样如果是它仿到的数据的话 ， 这个也成立吗 ？
是这样 ， 仿到的数据其实不成立 ，因为就是仿真的数据它的 ， 我们叫 Diversity，是有限的 。 就是对于仿真来讲 ， 你其实不太能数你的数据的条数 。
是数的那个什么点 ？
是数那个 Diversity 有多大的 ，但这个东西就很难去量化了 。 因为一个仿真器如果我放到那儿 ， 就是让它一直跑 ， 它可以产生无穷多的数据 ，但我们并不能说它能解决无穷多的问题 ，因为它的数据的 Diversity 是有限的 。
所以对于仿真器的话 ， 就是说这东西就很难数 。 就是你可能得数我的仿真器能够比较真实地去 cover 我现实世界的多少种任务 。
这个任务可能就包括比如说透明的玻璃杯你能不能仿 ， 衣服能不能仿 ， 然后比如说我的椅子是一个上面有一点软 ， 下面很硬的这样的一个结构能不能仿 。
明白 。 所以其实对于仿真数据 ， 它们是有另外一套要求的 ， 可能不是按照数据量来定的 。 所以其实 Scaling Law 对这样的数据其实确实是不生效的 。
对 。
明白 。 那你觉得遥操的数据会也存在 Scaling Law 吗 ？
遥操也是存在的 ， 就只要你遥操的这个 Diversity 足够大 ， 它也是存在的 。
只不过这个是成本更高是吧 ？
对 ， 只不过这个成本更高 。
大脑与本体50:32
明白 。 千寻也是做大脑加本体 ， 对吧 ？
对 。
所以你们也是你们有自己的大脑大模型 ， 然后去和自己的身体去做配合 。
对 。
因为那个像 Figure 他们也是有这种观点 ， 所以他们之前是跟 OpenAI 合作 ， 后面又决定自己做了嘛 。 你们从一开始就是选择这个路线 。
对 ，是的 。
就是如果说是只做大模型 ， 就只做大脑 ， 你觉得会有机会吗 ？ 它可能会面临什么问题 ？
我觉得就是只做大脑这个事儿 ，其实就是你做 Methodology 是可以做的 ，但是因为其实像我们每一个人， 我们就人其实并不是一个说 ， 我们叫 Cross Embodiment， 就是跨具身的一个能力 。
人不是跨具身的能力 。
就是人不拥有很强的跨具身的能力 。 我想表达的就是说 ， 一个只做大脑的公司 ， 它可能很难 ， 就像我们所说的这个人有肌肉记忆 ， 如果你只做大脑 ， 你的这个模型对于任何的机器人本体都没有肌肉记忆 ， 所以你很难对于任何一个机器人本体做到 ， 对吧 ？
我很快地什么挥一下球拍 ， 或者很快地把一个任务完成 ， 你可能都需要很慢慢地去把这个东西做好 。
因为你的这个具身模型 ， 它没有针对你这个本体的一些特点进行一些肌肉记忆 。
明白 。 那只做本体不做大脑呢 ？
只做本体不做大脑 ， 它的问题在于说 ， 就是最大的价值是在大脑端 。
这个是一个共识吗 ？ 就最大价值在大脑端 。
我觉得是一个共识 。
多大范围的共识 ？ 因为我们也看到的 ， 比如说像宇树这样的公司 ，他们其实确实不做大脑 。 对 ，他们本体能力很强 。
对 。
而且他们还有很多投资人抢着要投他们 。
OK。 就是首先就是说 ， 我们其实做本体的能力和 10 年前 、20 年前没有太本质的区别 。
你的我们是指的我们所有人。
世界上所有人。 对 。 但是为什么大家突然在做本体了 ，是因为就是大脑端有这个变化 。 所以以前的机器人的行业 ， 它的总体的这个能为人类产生的价值可能并没有那么大 ，是因为我们局限在大脑这一端 ， 能力比较弱 。
但是因为现在我们有了大脑这个能力 ， 才有可能在未来把这个东西做成一个千万亿级别的这样的一个市场 。
所以我是觉得这个共识是存在的 ， 就是大脑本身才是最大的价值的一环 。
那你怎么看 ， 比如说去做这种灵巧手 ， 就你刚才说到的 ， 比如说我们要去做一个什么插一个什么针 ， 它其实可以依靠非常细这种触觉的这种传感器 。
这个行业里的这些零部件 ， 或者说关节啊这样的这些厂商 ，他们会处在一个什么样的位置 ？ 然后已经比如说你们做本体的话 ， 你们会自己做到什么程度 ？
然后哪些东西是你们觉得可以和外界去合作的 ？
我觉得最后具身机器人比较像一个汽车的一个产业链 。 就是说相当于你需要生产一个本体 ， 然后加一个大脑 ， 它能去为大家去做事情 。
然后但这个本体之中也有很多零部件是很困难的 ， 比如说触觉 ， 比如说你的灵巧手 ， 再比如说可能芯片也是一个比较难的一个事情 。其实我们的态度是 ， 我们是很开放地去想和整个的产业链一起去把这个本体去做好 。
但是呢 ， 可能现在有很多事情还没有做得特别好 ， 所以不得不我们对 ， 产业链上还没有做得特别好 ， 所以我们不得不自己去做 。
对 ，但是其实我们更希望的是这个产业链能走得特别成熟 ， 使得我们有尽量多的东西能够和产业链上的所有的人一起来把这个东西做好 。
因为最后这个东西就肯定是分工越精细 ， 我们会把这个事情做得越好 。 就像现在的这个汽车行业一样 ，其实整车厂它最后只是去把它这个车的 Spec 设计得比较好 ， 那么基本上所有的零部件都是外采的 ， 或者共同研发的 。
我可以这样理解吗 ？ 前段时间我不知道你看没看 ， 就是朱啸虎说的那个什么人形机器人的事情 。
我没有仔细看 ， 就它的 Argument 是啥 。
对 ， 它其实最重要的核心论点 ， 就是我给你复述一下 。 就是说觉得人形机器人高度共识 ，但又没有商业化的路径 。
然后他说他问了几个 CEO， 你们的商业化的客户在哪里 ？ 朱啸虎觉得这些 CEO 说的话都是自己想象出来的客户 ， 谁会花十几万买一个机器人去干这些活 ？
商业化与收敛55:10
但是我对这件事情我自己有两个理解 ， 一个是就是现在是在技术爬坡期 ， 就是我们确实现在是在一个圆形到一个就是技术原理的这样一个过程 。
我觉得可能你在这个阶段要求人家商业化 ， 我觉得确实有点太早了 。
是的 。
对 ，但是我觉得我确实还是比较想跟你聊一下你们是怎么看待就是场景这个问题的 。
对 ， 我们认为其实就是正如你所说 ， 就是这个商业化这个事情是一个 ， 就是你不能要求 GPT-1 在它 GPT-1 的时候就有商业化的能力 。
对 ，但是我们现在到了 Scaling Law 的时期了 。
对 ， 所以就是我认为现在你最应该做的是把技术做到 GPT-4.0，而并不是说去盯着这个商业化到底以我现在水平该怎么去做 。
这个东西不是最重要的事情 。 对 ，但是呢 ， 我们当然也会在这个过程之中去做一些商业化 。 这个东西主要是为了让我们的公司的这个抗风险能力更强一些 。
那我们怎么做商业化呢 ？ 其实就是沿着我们说的 L1、L2、L3、L4 这个 ， 我们到达每个阶段就去做 L1 所能做的事情 。
比如现在 L1 我觉得最能做的就是在工厂里面有一些事情其实是可以完成的 ，并且他们愿意花十几万去买一个机器人。
对 ， 只是说在 L1 阶段你能找到的商业场景可能没有那么多 ，因为你的能力是受限的 。 但如果你有 L2 的话 ， 你就可能多了 10 倍甚至几十倍的场景可以去做 。
几何倍数增长的 。
对 。
我对它这句话的另外一个理解是 ， 现在具身智能行业最大的问题就是我们刚才聊到其实我觉得是非共识太多了 。
就是大家都在用各自的这个路径去跑 ， 然后每一个路径好像现在目前来看都会有一些成绩 ， 都能还做出一个比较不错的一个 L1 的一个状态 。
我觉得其实这个问题也是想跟您探讨一下， 您觉得我们不说什么路线是对的 ，因为我们现在其实是没有办法去验证这件事情的 。
你觉得到什么阶段会是去收敛 ？ 就是我们开始出现比如说像大模型一样 ， 我们大家现在就是觉得去做规模这样的去做用 Transformer 架构这个是对的 。
你觉得大概什么时候会有这种收敛的状态 ？
我觉得当某个公司能跑出 L2， 甚至跑出 L3， 大家自然会有共识 。
你觉得它背后所需要的这些要素有哪些 ？ 就是需要哪些东西都同时存在 ， 它才可能出现 ？ 还是说这个可能就是一个比如说历史是由个人决定的 ， 就是当某一家公司突然想到了 、 做到了 ， 它就做到了 。
OK， 我个人认为现在要素是齐备的 ， 只是说需要一些时间把它做到 。 对 。
所以你刚才的逻辑就是 ， 就是一步一步的这个链条做完 ， 它就总会到达那个地方 。
对 。
之前看咱们的稿子形容就是你发现了这个 Data Scaling Law 说是具身智能 ChatGPT 时刻 ， 你觉得这个算是 ChatGPT 时刻吗 ？
我觉得它是 ChatGPT 的 Theory Foundation 的时刻 ， 就是它有理论的基础的时刻 。 它肯定不是说真的 ChatGPT 时刻 。
那是 Transformer 提出的时刻吗 ？
就是如果真的要比的话 ， 那最恰当的比喻就是 OpenAI 提了它的 Scaling Law， 然后可能在两三年之后 OpenAI 做出来 GPT-4。
但是因为机器人的数据更难搞一些 ， 所以我期待这个时间会比那个稍微久一些 。
是的 ，以及我觉得具身机器人本来它的这个链条也要比纯软件的要更长一些 。
对 。
就算我们真的有一个非常非常牛的大脑 ， 我们还要去让大脑驯化它的躯体 ，其实也是比较难的 。
是的 。
然后包括还有我们刚才聊到的这个产业链上的一些配合 。
是的 。
因为我觉得确实让一家公司把整个身上 Body 上的所有的东西都做到非常精细 ， 确实我觉得是不太可能的 。
对 ， 我觉得很困难 。
所以其实具身智能如果要等到它 ChatGPT 时刻 ，其实是一个非常非常综合的各种要素都要具备的 ， 对吧 ？
要等行业一起成熟 。
我觉得其实现在的瓶颈还是在 AI 方面 。
还是在 AI。
对 ， 硬件的现在不是短板 ， 还是 AI 是最短的板 。
最短的板 。
对 ， 就像它是一个木桶吧 ， 就是相当于你的木桶 。
虽然别的也不长 。
虽然别的也不长 ，但如果能把 AI 补齐的话 ， 它就对 ， 是一个木盆 。
所以其实现在大家会更关注 AI 能力强的具身智能的团队 。
伯克利同门59:35
对 。
明白 。 这提到了就是你们的这个归国几子了 ，是吧 ？ 因为你们其实都是我觉得算是根正苗红的名门正派 ， 几位其实都是比较擅长做大脑大模型这一方面的 ，是吧 ？
是的 ，是的 。
你怎么界定这归国四子 ？
我想都有谁 ， 就是许华哲 。
萨博特利 ， 就是除了 XO 一样 ， 你们是从同一个团里出来的 。
OK， 许华哲 、 吴翼 ， 还有谁 ？ 陈建宇 ， 对对对 。
你 。
OK，OK。
今天那个罗 。
罗建兰 。
对对对 。
她也是我的同学 。
那其实算是五子了 。 这里给听众朋友们介绍一下， 许华哲是现在另外一家具身智能公司星海图的首席科学家 ， 那陈建宇呢 ，是具身智能公司星动纪元的创始人。
罗建兰最近刚刚加入估值最高的具身智能公司智元担任首席科学家 ， 吴翼是边塞科技的创始人， 之前也在 OpenAI 工作过 。
对 ，其实我们本来在伯克利的时候我们就很熟 。
你们五个吗 ？
但我们不是说五个人一起很熟 。
我知道 ，不是小团体 。
对对对 。
各自都很熟 。
我当时和许华哲和吴翼 ， 就我们都在一层楼 ， 然后我们经常一起什么去吃火锅啊 ， 去打牌什么的 。
你们这么忙 。
科学家也打牌 。 我们读博的时候还是挺有时间的 。
为什么 ？ 你是同时在那两个实验室吗 ？
没有 ， 没有 。 我读博的时候主要还是在 Trevor 的实验室 ， 然后读博的时候跟 Sergey 也有一些合作 ， 然后我博后就相当于两个实验室都有一些合作 。
对 ， 就是跟 Trevor 和 Peter。
明白 ， 挺神奇的 。
对 ，其实我们读博的时候并没有 。
想象得那么丰富 。
你们想象得那么难 。 对 ， 生活还是比较丰富的 。
吴翼现在应该不做具身 ， 对吧 ？
对 ， 吴翼老师现在主要在做大模型的 alignment， 就是 RL alignment。
所以你和许华哲是同一个实验室吗 ？
对 。
你们同一个实验室的还有谁 ？ 就是还有什么名人啊 ？
贾扬清是我们的实验室的 ，他比较有名的是就深度学习 ，他是有很多软件的框架嘛 ， 比如现在大家最常用叫 PyTorch，但其实就是最开始的第一个深度学习框架 ， 就用的人比较多的叫 Caffe， 就是贾扬清写的 。
他是你们大很多届的师兄吗 ？ 还是 ？
他比我应该大四届还是五届 ， 我记不清了 。 对 ， 比我大四届左右 。他当时写了一个框架叫 Caffe， 然后基本是当时用的最多的深度学习框架 。他也非常深度地参与了后来几个比较有名的深度学习框架 ， 包括比如说 TensorFlow， 然后和 PyTorch。
你们有同期过吗 ？
我们没有同期过 ， 就是我刚去他刚毕业 ， 然后我们实验室还有一些外国人啊 ， 就是跟贾扬清一起开发 Caffe 的 ，有个叫 Evan Schellhammer，他是一个美国人啊 ， 然后他当时比较有名的一个工作就是做了叫 FCN，是第一个语义分割的一个神经网络 。
语义分割就是说给你一张图 ， 你把每个物体的边缘都圈出来 。
这都是你 Trevor 实验室的 ？
对 ， 都是 Trevor 实验室的 。
你最开始的时候其实是不是在另外一个实验室 ？
对 ， 我最开始最开始是在一个做计算生物的一个实验室 ， 然后我还在一个做理论机器学习的实验室也听过一段时间组会 。
对 ， 反正刚开始就是 rotation 了一下 。
你后来是怎么选择就是去跟着 Trevor 去做 ， 然后选择了这个方向的 ？
因为看起来计算机视觉就挺酷的 ， 所以就做了 。
对 ，因为 516 年那会儿确实就是计算机视觉还是比较火的 。
对对对 。
你那会儿就是已经在做就是计算机视觉加具身机器人的这样的研究了吗 ？
其实最开始并没有 ，是我做到大概博二 、 博三的时候就开始做 ， 然后最开始做的项目是自动驾驶 ， 就我跟许华哲一起做的自动驾驶这个项目 ， 然后也是许华哲进 Trevor 组做的第一个项目 。
他是你学弟 ？
对 ，他比我小两年 。
所以你是哪一年的 ？
我是 91 年的 ，他应该是 93 吧 。 对 。
那好年轻 。 那个项目大概是什么情况 ？ 你可以介绍一下吗 ？
对 ， 那个项目是我们做了一个端到端的一个自动驾驶模型 。
那是哪一年 ？
我想想 ， 大概是 16 年 。 对 ，16 年， 然后可能到了现在 ， 现在 25 年吧 ， 过了 9 年， 就是自动驾驶的工业界当时没有人相信端到端 ， 然后我们 ，但就我们从那个年代就已经开始相信端到端 ， 然后一直认为端到端会是未来 。
当然那篇论文在现在的视角来看 ， 这个技术肯定早已经过时了 ，但是我觉得这个就是 philosophical 的这个思想其实是就是早在那个年代就是我们已经这么去想 。
当时学界研究端到端自动驾驶的多吗 ？
我们那篇应该是属于比较早的 ，其实当时还并不是很多 。 当时应该有一篇是英伟达做的端到端自动驾驶 ， 然后我们那篇相当于用了比英伟达可能大了 100 倍的数据去训练一个自动驾驶的一个模型 ， 然后就是泛化性啊什么的都比当时英伟达做的好很多 。
所以就是相当于我们做机器人也是从自动驾驶这个角度开始做的 。
然后后来呢 ？ 怎么又开始去做一些跟机器人交叉的这样一些研究 ？
后来其实我们做自动驾驶越做越深 ， 然后我发现其实这里面就自动驾驶的本质问题和机器人的本质问题就是一样的 。
因为自动驾驶也是一个你看这个场景 ， 你去控制你一个本体的这样的一个任务 。 对 ， 所以从学术的角度来讲 ， 就是做机器人是一个更加通用的一个控制形态 。
所以后来我就开始研究这个机器人是怎么去做的 。
为什么从学术角度机器人是更加通用的形态 ？
因为自动驾驶车它就你只能往前开和转弯 ， 别的事你都干不了 。 所以相当于你的这个动作的能做的事比较少 。
对 ，但是机器人你能做的事非常非常多 ， 它是一个更难的一个问题 ， 然后也是一个就相当于研究起来自由度更高的一个问题 。
然后所以就决定开始去做 。
对 。
你做的第一个课题是什么 ？
在自动驾驶之后， 我们做的第一个课题其实就是把模仿学习和强化学习结合起来 。 就在当时我们就做了一个 ，因为强化学习这个事它是一个挺难的一个事 ， 就像我们刚才讨论的 ， 你得有第一次成功 ， 它才比较容易有未来的成功 。
所以我们当时就开始研究这个问题 。 当然后来我们研究的东西就越来越多 ， 就包括比如说一些更好的强化学习算法呀 ， 然后跟物理的机器人的一些结合呀等等等等。
治学与日常1:06:41
你觉得做学术是需要灵感的吗 ？ 需要灵光乍现时刻吗 ？
我觉得不需要 。
你觉得就是靠不断地去 。
就是我觉得是 COT 的一些过程 。
COT 的过程 ， 推理的过程 。
对 。
就要一步一步每一个链条都做好 ， 自然会导向这个结果 。
对 。
所以你会对于技术的判断会比较乐观吗 ？ 因为你会觉得只要这样做下去 ， 它其实是达到你所说的比如说到 L3、L4 这种级别 ， 它其实是没有问题的 。
对 ， 我倾向于是这么觉得 。
然后你会有一个时间线吗 ？ 比如说你觉得到什么时候可以到达一个 L2 级别 ， 然后到什么时候可以到一个 L3 级别 ？
我预计可能我们大概明年 6 月份会达到 L2 级别 。
就是单场景的多任务 。
单场景的多任务 ， 对 。 然后 L3 我觉得可能会再需要额外的一年半到两年的时间 。
所以你当时你是怎么去管理你的时间的 ？ 就是同时做这些课题 ， 然后你还会去参加其他组的组会 ，不断地去在学习 ， 然后同时还要刚好同学关系去跟同学去打牌吃火锅 。
其实我觉得就是在读博的时候 ， 相对来讲还没有那么多事 ，因为一般我们同一个时间就做一个项目 。 虽然我们可能会参加 ， 对吧 ， 这个老师的组会 、 那个老师的组会 ， 然后去听一些 seminar 啊什么 ，但是相对来讲时间是非常自由的 。
那你的典型的一天会怎么度过 ？
典型的周一到周五还是会主要在实验室里面 ， 然后周一到周五的某一天 ， 比如说晚上 6 点什么的 ， 这个我们组就有组会 ， 然后组会就大家一起边吃饭边讨论一些学术问题 。
有时候呢 ， 晚上， 尤其是周五晚上， 就一起吃火锅或者下牌 。 我导师是一个很喜欢滑雪的一个人。
Trevor。
每年我们组里面都会一起去 。
组织滑雪 。
对 ， 组织滑雪 。
在美国吗 ？
对 ， 就是伯克利旁边有一个山叫 Lake Tahoe， 然后那个山是大概有个两三千米的海拔 ， 然后所以就一到冬天大概会有四五个月的雪季 ， 所以就我们经常冬天去那边滑雪 ， 然后那边还有一个湖 ， 景色也还是挺不错的 。
你当时就是从伯克利博后结束之后为什么会选择回国 ？
因为当时就是其实我有蛮多的选择的 ， 然后我觉得在清华做这个事情我觉得是非常非常有意思的一个事 。
就是当时我几个其他选择是一个是比如在美国去 waymo， 就是一个自动驾驶的公司 。
我知道 。
对 ， 然后但是我觉得这个事情好像没有那么有挑战 ， 然后比较一眼望得到头一些 。
就是成为一个大厂的 。
Engineer， 对 。 我觉得就是它相当于因为我也在 waymo 实习过 ， 然后我就觉得我的脑子进去就坏掉了 ，sort of。
就是我在 waymo 实习过三个月 ， 然后我出来的时候我感觉这个为什么老师讲的什么东西我都理解不了 ， 就真的是这样 。
为什么会这样 ？
因为在 waymo 它是一个就是非常非常大的一个厂 ， 所以每个人的事情都非常非常小 。 就我只需要把这样一个极其小的事情做好 ， 然后它不需要太多智力 。
对 ， 所以就是员工在那里一个 engineer 起到是一个操作的一个过程 ， 然后大脑其实并不是我们自己的大脑 ，而是公司的决策层的大脑 。
对 。
所以你更想去做成为大脑的事情 。
对 。
所以你当时就想创业吗 ？ 还是说 ？
其实当时我也考虑过创业 ，但是当时的确没有什么好的机会吧 。 我们博士的时候 ， 我在伯克利参加了一个叫 Berkeley ACE 一个创业的一个协会 ， 然后其实我博士期间也考虑过要不要毕业之后创业啊之类的 ，但是的确没有什么特别好的机会 。
你是说行业上的 、 产业上的机会 ， 对吧 ？
对 。
那 ACE 里面还有谁 ？ 你们几位归国几子 ？
他们好像都不在 。 有一个人在 ，他叫许卓 ， 然后他好像要回清华的 AI College 当助理教授 。
伯克利还是给清华输送了很多人才 。
非常多人才 。
我今天还在极客上发呢 ， 说以前都是清华培养美国人， 大家都开玩笑说清华培养美国人嘛 ， 就说清华给这个海外高校输送很多人才 ， 大家就留在那里了 。
对 。
我觉得你们这几位的出现就是会引领一种趋势 ， 美国高校给中国输送人才 。
是 ，是 。
你们几个有交流过为什么大家都会回清华 、 回国这样吗 ？
我觉得就是原因都差不多吧 ，其实都是觉得是一个非常有挑战并且非常有意思的一个事情 。
就是回国做科研这件事情 。
对 ， 对 ， 对 。
你们聊过这件事情吗 ？ 就大家都回来 。
其实我回来是吴翼老师拉我的 。 对 ， 就是吴翼老师最开始面试了 ， 然后姚先生给他了一个 offer， 然后吴翼就决定要回来了 ， 然后跟我讲要不要一起回来 。
对 ， 然后我就开始考虑这事 。 包括许华哲也是我和吴翼拉他回来 ， 然后陈建宇其实很好 ，也是我和许华哲 。
对 ， 等一下， 陈建宇可能是我和吴翼 。 对 ，因为陈建宇比许华哲早回来一年 。
蛮有意思的 。
对 ， 所以就是我们也兼职 HR。
我觉得你们还挺有一种就是互帮互助的那种感觉的 。
对 ， 对 。
所以你们都是会觉得回国去做科研这件事情更有挑战性 。 就其实你们当时面临选择应该都差不多吧 ？
就是加入美国的某一家超级大厂 。
其实我 somehow 觉得在美国我的文化上其实很难能 。
完全的适应 。
对 ， 完全去适应当地的这个文化 。 因为其实美国人喜欢的东西 ， 就中国人普遍都觉得很无聊 。 而且美国还有一些比较 ，也不能说反智 ， 就是大家比较喜欢那些 cheerleader style 的人。
就是在学校里面大家不会觉得你学习很好 ， 是一个 。
我懂 。
对 ， 比较值得去崇尚的一些事情 。
那你和许华哲平常会交流一些创业心得吗 ？
对 ， 我们也会聊一些 。
你们现在算是竞评吗 ？
我觉得有一些性质关系 ，但是因为我们在做的就是应用也蛮不一样的 ， 所以还好 。
他们是什么方向 ？
我理解他们在跟一些家电厂有一些合作 ，其实可能都是工业角度的落地 ，但是可能很不一样的企业吧 。 对 。
因为其实你们俩之前都是比较纯粹的搞科研的这样的人。 你们会就是进入商业世界创业之后， 你们会有什么共同的一些感悟吗 ？
人们会交流这些吗 ？
共同感悟就是忙了好多 。 对 ， 忙了好多 。其实也会交流 ， 比如说他们公司的管理的风格 ， 然后我们公司怎么管理 。
对 ， 然后一些觉得什么方面可以改进 。
你们最近讨论的技术上的话题是什么 ？
我想一想 ， 我记得我们有一次聊到说现在好像具身智能科研的 idea 已经进入到比较平静的一个时期 。
就我们在讨论说在这个 regime 下到底有什么新的东西可以做之类的 ， 然后我们当时觉得可能零销售还是有蛮多可以去做的 。
对 。
这个科研的瓶颈这个问题 ， 我还想再回过头来问一下你 ，因为其实我们刚开始的时候就聊到了这个问题 。
我还是有点没有 gut 到就是为什么在你们看来会觉得这件事情是到了一个瓶颈期 。 就你刚才当然你提到了一个很重要的一个原因是你觉得可能某一个技术出来就抹平之前的技术嘛 ， 那这件事情难道不是在更久之前也同时存在的吗 ？
OK，是这样 ， 就是说其实在学术的思想上大家在逐渐趋同 。 可能以前有人会研究很多很多话题 ， 然后就是大家的话题可能你可以理解为有 500 个话题 ，但是现在这个话题就收敛了很多 。
为什么呢 ？
因为大家相当于在学术上有一定的共识 。
就是某一些路径已经被证伪是不可能实现 ， 所以大家就再也不去碰了 。
也不是说被完全证伪 ，而是说大家觉得好像这些路径没有那么有前途 ， 可能做的人就会变少一些 。 虽然不是说现在的学术的话题就完全坍缩成一个了 ，但是呢 ， 它可能从 500 个坍缩成了 100 个 。
所以相当于在每一个话题之下就都可能有人探索过了 。 所以你要在这些话题之下再探索出来新的东西 ， 相对来讲会更难一些 。
这是我们讲的这个没得做的具体的一个表述 。 就不是说真的没得做了 ，而是说 。
范围变小 。
真的 ground breaking，并且就是很有影响力的东西 。 因为大家的思想越来越趋同之后， 它变得越来越难一些 。
你指的思想趋同是指 ？
就大家认为具身智能的实现路径越来越近 ， 基本大家都是认同 VLA 这一套 。
明白 。 所以即使在我们外行人看起来 ， 具身智能行业有这么多的非共识 ，其实在你们眼里它已经是一个共识收敛过的一个状态了 。
对 ，但它没有完全收敛 ，但是它已经收敛了 。
已经在收敛的过程中 。 为什么清华的助理教授这么多出来创业的 ？
创业与教职1:15:53
因为我觉得恰好是这个行业它进入到了一个产业化阶段吧 ， 就是像大模型和具身智能 ， 恰好就是清华有很多这些方面的老师 ， 然后以及这些方面正好进入了一个产业化阶段 。
所以刚好你们这些有这样背景的人可以出来去做一些事业是吧 ？
对 。
下来就是大家会有一个比较大的担心是说很多年轻的大学教授出来创业 ， 还有一个风险就是过段时间拍拍屁股走人了 ， 你就只有 5 分如果做得不好 。
大家对这件事情的本质担心是说你同时身兼了教职和这个你在企业做事情是不是决心不够 。
一方面是担心时间成本 ， 另外一方面是担心这个决心的问题 。 你是怎么看待这件事情 ？
我觉得本质上就是我就是在做同一件事情 ， 只是说这件事情它的是有一个 transition， 它的 transition 在于技术的逐渐成熟和工程化落地的 transition。
所以我并没有觉得我在 。
做两件事 。
做两件事情 。 对 ，其实我就在做一件事情 。 所以我觉得我不可能拍拍屁股走人 ，因为这就是我想做的事 。
那比如说会存在一个可能就是当这个企业发展得越来越好 ， 然后你的时间精力越来越不够用 ， 你会有考虑比如说放弃清华那边的教职吗 ？
因为我知道比如说像杨芝琳 ， 应该也是你们插院的助理教授 ， 她应该是已经辞去在学校的职务了是吧 ？
对 。
就专注于去做她的那个行业 。
对 ， 我觉得这个东西就是不排除这种可能性 。 我觉得就是人生它就是一个 journey， 就没有一个 。
标准答案 。
对 ， 就是只要你享受这个过程 ， 我觉得就是最好的 。
那你现在日常的 routine 会是一个什么样的 ？
我现在一般每天可能早上会大概 7 点半起床 ， 然后可能大概 9 点半到 10 点第一个会 ， 然后可能我每天开会会开到晚上 9 点 。
然后我日常一个议题就是我怎么能在把会的时间压缩一下 。
这怎么压缩 ？ 有思考出什么办法吗 ？
我觉得可能也是一个难以避免 ， 可能到这个阶段大家都会需要去面对的一个事情 。 对 ， 然后可能很多会就是想开得比较高效一些 ，以及比如说从包括公司的这个组织架构上怎么去让整个组织更有效率 ， 然后让我参与得更有效率一些 。
所以你一般比如说会一个周时间里面大概多少会放在公司上， 多少时间会放到学校这边 ？
大概一半一半吧 ， 就动态平衡一下吧 。 对 ， 就也没有什么特别好的 。
你就是燃烧生命吗 ？ 就是说当你事情太多的时候 ， 你就减少自己的睡眠时间 ， 然后去把它解决 。
我倾向于不是这样的 。 就我每天都是 12 点睡觉 ， 包括比如我上清华 ， 包括我读博 ， 我从来不熬夜 。
因为我觉得就是说你做一件事情 ， 它的方法论要比你的每天多投入一个小时两个小时时间要远远重要得多 。
所以我更倾向于从方法论的角度去把这个事情做好 ，而不是说从时间的 ， 对时间这个角度去做好 。
那你还算是就我认识的清华人里面睡眠时间还算比较长的了 。 很多人是选择不睡的 ， 就是如果事情非常多的话 ，他可以极度压缩自己的睡眠时间 。
我觉得是这样 ， 就是说如果我不睡的话 ， 我第二天的脑子没有那么清醒 。 如果我脑子没有那么清醒 ， 可能我会做很多错误的决策 ， 然后一个错误的决策可能会让跟我一起 work 的人多花两倍的时间才能把这事情做好 。
所以我觉得这反倒是降低了效率 。
刚才就说你每天骑车上下班 。
对 ， 对 ， 对 。
你骑什么车 ？
小黄车 。
每天就是 。
真的吗 ？
对啊 。 我以为是什么小布这样的 。
并没有 ， 就是我骑车主要目的是为了锻炼身体 。
我知道 ， 我猜你肯定是为了锻炼身体 。 我没有想到你答案是骑共享单车 。
因为 。
是从经济成本的角度考虑吗 ？ 还是 ？
并不是 ，因为有时候比如说我白天会出去 ， 那么如果我骑了一个我自己的车到公司 ， 就之后第二天我没车可骑了 ，因为可能我打车去了一个很远的一个地方 。
另外就是一般共享单车都比较难骑 ， 所以它的锻炼效果会更好 。
我真的听到过一个类似的这样的一个说法 。 这是你保持身材的一个秘诀吗 ？
Sort of， 对 。
所以你不健身 ？
我也健身 ， 每周两次 。
就很固定 。
周二是下午 4 到 5， 周五一般是中午的 1 点半到 2 点半 。
你像有人给你写好了程序 ， 然后你到了这个时间点就去做这个事情 。
是 ， 对 ， 我是一个 MBTI 是 ISTJ。 就我的 schedule 是比较固定的 ， 基本上比如说包括骑车 、 上下班 。
你会控制时间吗 ？ 就是必须要在多少条时间内到 ？
一般都是 31 到 33 分钟之间 。
天啊 ， 这么短 。
但是因为那个共享单车的还车的时候 ，他会告诉我 ， 然后就可能每天的时间都比较相似吧 。
你并不会觉得很枯燥 ？
我觉得很好 。
你觉得很好 ？
对 ， 就是我觉得是我比较喜欢在就是 routine 的 content 里面去 enjoy 这个事情 ，而不是说改变我的 routine。其实有很多投资人就说什么 AI 这个科学家创业不靠谱 ， 然后我深刻表示同意 。
作为科学家本家 。
对 ，因为其实我觉得每个人都有他自己的局限性 。 虽然这个技术我是懂的 ，但是比如说这个技术如何去做工程化 ， 如何把工程化团队的分工做好 ， 然后如何把工程化团队带好 ， 如何和应用落地的节奏配合 ， 就是很多很多东西其实它没有那么简单 ， 它是需要很多很多经验去做的 。
然后我觉得这也是我这一年之中我自己深刻体会到的一些东西
。